Exploring the Vocabulary Makeup of Scripted and Unscripted Television Programs and Their Potential for Incidental Vocabulary Learning
Notice bibliographique
Résumé
The present study investigated the lexical demands of scripted and unscripted television programs. To that end, two corpora consisting of 286 episodes from 14 different programs, both scripted and unscripted, were analyzed. The results indicated that the 1,000 most frequent word families, plus proper nouns, marginal words, transparent compounds, and acronyms, were required to reach 90% coverage in both scripted and unscripted programs. Furthermore, knowledge of the 2,000 most frequent word families accounted for 95% coverage in the unscripted programs, while, to reach the same threshold in the scripted programs, a vocabulary size of the 3,000 most frequent word families was needed. Regarding 98% coverage, vocabulary knowledge of 4,000 and 6,000 word families was required for the unscripted and scripted programs, respectively. A corpus-driven investigation was also conducted to explore the potential of both types of television programs for incidental vocabulary learning. Accordingly, the results showed that both types of programs may hold relatively great potential for learning words from the 2,000- to 3,000-word levels and might have some potential for the incidental learning of mid-frequency words (i.e., 4,000- to 9,000-word levels). Implications for using both types of television programs in language learning and teaching processes are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».